9.3 理解 Python 中的資料型別

本節是《Python 資料科學手冊》（Python Data Science Handbook）的摘錄。

譯者：飛龍

協議：CC BY-NC-SA 4.0

資料驅動的科學和有效計算需要了解資料的儲存和操作方式。本節概述瞭如何在 Python 語言本身中處理資料陣列，以及對比 NumPy 如何改進它。對於理解本書其餘部分的大部分內容，理解這種差異至關重要。

Python 的使用者通常被它的易用性吸引，其中一部分是動態型別。雖然像 C 或 Java 這樣的靜態型別語言要求顯式宣告每個變數，但像 Python 這樣的動態型別語言會跳過此規範。 例如，在 C 中，你可以指定特定操作，如下所示：

/* C 程式碼 */
int result = 0;
for(int i=0; i<100; i++){
    result += i;
}

在 Python 中，可以用這種方式編寫等效的操作：

# Python 程式碼
result = 0
for i in range(100):
    result += i

注意主要區別：在 C 中，每個變數的資料型別是顯式宣告的，而在 Python 中，型別是動態推斷的。 這意味著，例如，我們可以將任何型別的資料分配給任何變數：

# Python 程式碼
x = 4
x = "four"

這裡我們將x的內容從整數轉換為字串。 C 中的相同內容會導致編譯錯誤或其他無意義的結果（取決於編譯器設定）：

/* C 程式碼 */
int x = 4;
x = "four";  // 失敗

這種靈活性，是使 Python 和其他動態型別語言方便易用的一個方面。理解它的原理，是學習如何有效使用 Python 分析資料的一個重要方面。

但是這種型別的靈活性也指出了，Python 變數不僅僅是它們的值; 它們還包含值的型別的額外資訊。 我們將在後面的章節中詳細探討它。

Python 的整數不僅僅是整數

標準的 Python 實現是用 C 編寫的。這意味著每個 Python 物件都只是一個巧妙偽裝的 C 結構，它不僅包含其值，還包含其他資訊。

例如，當我們在 Python 中定義一個整數時，例如x = 10000

通過 Python 3.4 原始碼，我們發現（長）整數型別定義實際上看起來像這樣（C 巨集擴充套件之後）：

struct _longobject {
    long ob_refcnt;
    PyTypeObject *ob_type;
    size_t ob_size;
    long ob_digit[1];
};

Python 3.4 中的單個整數實際上包含四個部分：

• ob_refcnt, 引用計數，幫助 Python 靜默處理記憶體分配和釋放
• ob_type, 它編碼變數的型別
• ob_size, 它指定以下資料成員的大小
• ob_digit, 其中包含我們期望 Python 變量表示的實際整數值。

這意味著在 Python 中儲存整數，與在 C 等編譯語言中的整數相比，存在一些開銷，如下圖所示：

這裡PyObject_HEAD是結構的一部分，包含引用計數，型別程式碼和之前提到的其他部分。

注意這裡的區別：C 整數本質上是記憶體中位置的標籤，它的位元組編碼整數值。Python 整數是指標，指向記憶體中包含所有 Python 物件資訊的位置，包含編碼整數值的位元組。Python 整數結構中的這些額外資訊，允許 Python 自由動態地編碼。

然而，Python 型別中的所有這些附加資訊都需要付出代價，這在組合了許多這些物件的結構中尤為明顯。

Python 列表不僅僅是列表

現在讓我們考慮，當我們使用包含許多 Python 物件的 Python 資料結構時會發生什麼。

Python 中的標準可變多元素容器就是列表。我們可以建立一個整數列表，如下所示：

L = list(range(10))
L

# [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

type(L[0])

# int

或者，類似地，字串列表：

L2 = [str(c) for c in L]
L2

# ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

type(L2[0])

# str

由於 Python 的動態型別，我們甚至可以建立異構列表：

L3 = [True, "2", 3.0, 4]
[type(item) for item in L3]

# [bool, str, float, int]

但是這種靈活性需要付出代價：為了允許這些靈活型別，列表中的每個專案都必須包含自己的型別資訊，引用計數和其他資訊 - 也就是說，每個專案都是完整的 Python 物件。在所有變數屬於同一型別的特殊情況下，大部分資訊都是冗餘的：將資料儲存在固定型別陣列中會更加高效。

動態型別列表和固定型別（NumPy 樣式）陣列之間的區別如下圖所示：

在實現級別，陣列基本上包含指向一個連續資料塊的單個指標。

另一方面，Python 列表包含一個指向指標塊的指標，每個指標指向一個完整的 Python 物件，就像我們之前看到的 Python 整數一樣。

同樣，列表的優點是靈活性：因為每個列表元素是包含資料和型別資訊的完整結構，所以列表可以填充為任何所需型別的資料。固定型別的 NumPy 風格陣列缺乏這種靈活性，但是對於儲存和操作資料更有效。

Python 中固定型別的陣列

Python提供了幾種不同的選項，用於在固定型別資料緩衝區中高效儲存資料。內建的array模組（自 Python 3.3 起可用）可用於建立統一型別的密集陣列：

import array
L = list(range(10))
A = array.array('i', L)
A

# array('i', [0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

這裡'i'是一個型別程式碼，表示內容是整數。然而，更有用的是 NumPy 包的ndarray物件。

雖然Python的array物件提供了基於陣列的，資料的有效儲存，但 NumPy 在陣列上添加了高效操作。我們將在後面的章節中探討這些操作; 在這裡，我們將演示建立 NumPy 陣列的幾種方法。

我們將從別名為np的標準 NumPy 匯入開始：

import numpy as np

從 Python 列表建立陣列

首先，我們可以使用np.array從 Python 列表建立陣列：

# 整數陣列
np.array([1, 4, 2, 5, 3])

# array([1, 4, 2, 5, 3])

請記住，與 Python 列表不同，NumPy 僅限於型別相同的陣列。
如果型別不匹配，NumPy 將盡可能向上轉換（此處，整數向上轉換為浮點數）：

np.array([3.14, 4, 2, 3])

# array([ 3.14,  4.  ,  2.  ,  3.  ])

如果我們想顯式設定所得陣列的資料型別，我們可以使用dtype關鍵字：

np.array([1, 2, 3, 4], dtype='float32')

# array([ 1.,  2.,  3.,  4.], dtype=float32)

最後，與 Python 列表不同，NumPy 陣列可以是顯式多維的; 這是一種方法，使用列表的列表初始化多維陣列：

# 巢狀列表產生多維陣列
np.array([range(i, i + 3) for i in [2, 4, 6]])

'''
array([[2, 3, 4],
       [4, 5, 6],
       [6, 7, 8]])
'''

內部列表被視為生成的二維陣列的行。

從零開始建立陣列

特別是對於較大的陣列，使用 NumPy 中內建的例程從頭開始建立陣列效率更高。以下是幾個例子：

# 建立長度為 10 的零填充的整數陣列
np.zeros(10, dtype=int)

# array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])


# 建立一填充的 3x5 浮點數陣列
np.ones((3, 5), dtype=float)

'''
array([[ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.]])
'''

# 建立 3.14 填充的 3x5 浮點數陣列
np.full((3, 5), 3.14)

'''
array([[ 3.14,  3.14,  3.14,  3.14,  3.14],
       [ 3.14,  3.14,  3.14,  3.14,  3.14],
       [ 3.14,  3.14,  3.14,  3.14,  3.14]])
'''

# 建立陣列，填充為 0 到 20 步長為 2 的線性序列
# （類似於內建的 range() 函式）
np.arange(0, 20, 2)

# array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

# 建立五個值的陣列，從 0 到 1 等間隔
np.linspace(0, 1, 5)

# array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ])

# 建立 3x3 陣列，包含 0 到 1 均勻分佈隨機值
np.random.random((3, 3))

'''
array([[ 0.99844933,  0.52183819,  0.22421193],
       [ 0.08007488,  0.45429293,  0.20941444],
       [ 0.14360941,  0.96910973,  0.946117  ]])
'''

# 建立 3x3 陣列，包含均值為 0 標準差為 1 的正態分佈隨機值
np.random.normal(0, 1, (3, 3))

'''
array([[ 1.51772646,  0.39614948, -0.10634696],
       [ 0.25671348,  0.00732722,  0.37783601],
       [ 0.68446945,  0.15926039, -0.70744073]])
'''

# 建立 3x3 陣列，包含 [0, 10) 中的隨機值
np.random.randint(0, 10, (3, 3))

'''
array([[2, 3, 4],
       [5, 7, 8],
       [0, 5, 0]])
'''

# 建立 3x3 單位矩陣
np.eye(3)

'''
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])
'''

# 建立三個整數的未初始化陣列
# 值是記憶體地址中已經存在的任何東西
np.empty(3)

# array([ 1.,  1.,  1.])

NumPy 標準資料型別

NumPy 陣列包含型別單一的值，因此詳細瞭解這些型別及其限制非常重要。由於 NumPy 是用 C 語言構建的，因此 C，Fortran 和其他相關語言的使用者會熟悉這些型別。標準 NumPy 資料型別列在下表中。

請注意，在構造陣列時，可以使用字串指定它們：

np.zeros(10, dtype='int16')

或者使用相關的 NumPy 物件：

np.zeros(10, dtype=np.int16)

更高階的型別規範是可能的，例如指定大或小端編碼；更多資訊請參閱 NumPy 文件。

NumPy 還支援複合資料型別，這將在結構化資料：NumPy 的結構化陣列中介紹。